Riconciliazione dati - Politecnico di Milano

© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
Approccio gerarchico alla
ottimizzazione di processo
Supervisione
Supervisione
Ottimizzazione
Ottimizzazione
Controllo
Controllo di
di processo
processo
Riconciliazione
Riconciliazione dati
dati
Simulazione
Simulazione di
di processo
processo
Analisi
Analisi statistica
statistica
Acquisizione
Acquisizione dati
dati in
in linea
linea
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
2
Processo
Sistema di
supervisione
DCS
IN
Modello
del processo
Acquisizione dati
OUT
Analisi statistica
Riconciliazione
dati
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
3
Cos’è la Riconciliazione…
B
21
‰
Riconciliazione classica
delle misure
50
A
32
C
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
4
Cos’è la Riconciliazione…
B
21
‰
Riconciliazione classica
delle misure
50
A
32
C
B
21
‰
Gross error detection:
500
A
32
C
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
5
Cos’è la Riconciliazione…
B
21
‰
Coaptation
?
A
32
C
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
6
Cos’è la Riconciliazione…
B
21
‰
Model identification
η=?
50
A
32
C
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
7
Introduzione
‰
La metodologia adottata per la Riconciliazione dati può essere divisa
in tre fasi distinte (Romagnoli e Sanchez, 2000)
y
Classificazione delle variabili di processo e decomposizione del
problema;
y
Detezione, identificazione e stima degli errori grossolani;
y
Stima delle variabili di processo non misurate o non misurabili.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
8
Classificazione delle misure
‰
Per ragioni di costo, convenienza, o per motivi tecnici, non tutte le
variabili di processo sono misurate.
‰
Sotto le ipotesi di stazionarietà del processo, alcune variabili non
misurate possono essere stimate utilizzando altre variabili misurate e
calcoli basati sui bilanci di materia ed energia.
‰
La stima delle variabili non misurate dipende dalla struttura del
processo e dal posizionamento della strumentazione in campo.
‰
In genere la strumentazione di processo è incompleta (non esaurisce
tutte le variabili di processo). Quindi le variabili non misurate possono
essere divise in:
y
variabili stimabili (determinabili)
y
variabili non stimabili (indeterminabili)
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
9
Classificazione delle misure
‰
A loro volta le misure sono classificabili in:
y
ridondanti
y
non ridondanti
‰
Una misura è ridondante se rimane determinabile quando
l’osservazione viene cancellata.
‰
La classificazione delle variabili è uno strumento essenziale per la
progettazione ed il revamping di sistemi di monitoraggio.
‰
Una classificazione robusta delle variabili conduce a significativi
risparmi legati alla selezione della strumentazione da installare in
campo.
‰
Una classificazione non corretta delle variabili conduce all’introduzione
di strumentazione non necessaria implicante costi di investimento
maggiori.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
10
Classificazione delle misure
‰
Una variabile non misurata è determinabile se può essere calcolata
utilizzando le misure disponibili e le equazioni di bilancio.
‰
Una variabile non misurata è indeterminabile se non può essere
calcolata utilizzando le misure disponibili e le equazioni di bilancio.
‰
Una variabile di processo misurata è ridondante (sovradeterminata)
se può essere ugualmente calcolata utilizzando le restanti misure e le
equazioni di bilancio.
‰
Una variabile di processo misurata non è ridondante se non può
essere calcolata utilizzando le restanti misure e le equazioni di bilancio.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
11
Classificazione delle misure
‰
Una volta classificate le variabili si ha a disposizione una significativa
quantità di informazioni circa la topologia del processo.
‰
È quindi possibile risolvere i seguenti problemi:
y
Selezionare l’insieme di variabili misurate che debbono
essere corrette (riconciliate) al fine di incrementare l’accuratezza
delle variabili misurate e non misurate di processo.
y
Selezionare il minimo numero di misure tali che tutte le
variabili non misurate possano essere determinate.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
12
Modello del processo
™
Il modello del processo è una scrittura matematica descrivente il
comportamento dello stesso in condizioni STAZIONARIE o
DINAMICHE.
™
Il modello del processo viene utilizzato su più livelli:
™
y
Per inferenziare grandezze altrimenti NON misurabili
y
Per riconciliare misure
y
Per identificare misure affette da errori grossolani
y
Per determinare l’azione di controllo ottimale
y
Model based control (ad esempio: Model Predictive control)
y
Feedforward control
y
Per ottimizzazione di processo
y
Per supervisione di processo
Il processo può essere descritto tramite modelli lineari o non lineari:
ARX, NARX, ARMAX, NARMAX, Trasformate di Laplace, Regressioni,
Reti neurali artificiali (ANN), Modelli deterministici e fenomenologici
(First Principles), …
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
13
Modello del processo
‰
‰
Il dettaglio del modello di processo deve essere commisurato alla
necessità descrittiva richiesta. Occorre innanzitutto discriminare tra:
¾ Modello stazionario e dinamico
¾ Modello lineare o non lineare
¾ Modello robusto o efficiente
¾ Modello semplificato o dettagliato
Nel caso più complesso di modello dettagliato dinamico non lineare
occorre scrivere, per le apparecchiature e le correnti presenti nel
processo, dei bilanci materiali, energetici e di quantità di moto. Il
sistema risultante conterrà equazioni algebrico differenziali
eventualmente alle derivate parziali. Esistono delle routine numeriche
preposte ad integrare tali sistemi.
Anche utilizzando computer moderni con CPU estremamente veloci il
tempo fisico richiesto per una simulazione od una serie di simulazioni
(controllo predittivo, ottimizzazione) può essere superiore al tempo
massimo accettabile (orizzonte di controllo). In questo caso è
necessario passare a modelli più semplificati che riducono il tempo di
CPU di ordini di grandezza (ad esempio modelli ARX o ANN).
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
14
Approccio risolutivo
‰
Equation oriented
Quest’approccio si basa su equazioni di bilancio materiale ed
energetico, ai nodi dell’impianto, utilizzate come vincoli di uguaglianza
da soddisfare nella ricerca del minimo. Le variabili di output della
procedura corrispondono a quelle di input. La differenza tra valore
calcolato e misurato è imputabile ad un errore di misura. Per stimare i
gradi di libertà (gdl) dell’impianto occorre avere a disposizione nuove e
diverse misure distribuite nel processo ed il più precise possibile.
‰
Black box
È dato un programma di simulazione di processo che ad assegnate
variabili di input stima le variabili di output da riconciliare. Le variabili di
output sono: correnti e/o composizioni incognite e parametri del
processo non misurabili. Il programma di simulazione viene chiamato
iterativamente da una routine di regressione non lineare che valuta i
gradi di libertà in modo da minimizzare lo scarto tra dati misurati e dati
calcolati.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
15
Ridondanza
‰
Romagnoli e Sanchez (2000) definiscono un sistema ridondante
quando l’insieme di dati/informazioni a disposizione è superiore
all’ammontare minimo richiesto per una determinazione univoca delle
variabili indipendenti che determinano il modello selezionato.
‰
Dato che i dati sono ottenuti da misure di processo che sono affette da
fluttuazioni probabilistiche, i dati ridondanti sono di solito
inconsistenti nel senso che ogni sottoinsieme di dati fornisce dei
risultati differenti da altri sottoinsiemi.
‰
Per ottenere una soluzione univoca al problema della determinazione
delle misure è quindi necessario introdurre un criterio aggiuntivo.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
16
Ridondanza
‰
Ridondanza del sistema
Nel caso di approccio Black box si definisce con il termine Ridondanza
la differenza tra variabili misurate e gradi di libertà:
Ridondanza = variabili misurate – gradi di libertà = NY – NPAR
Il sistema descrivente numericamente il problema di Riconciliazione è
SOVRADIMENSIONATO. È cioè costituito da più equazioni che
incognite.
1
⎧ y sper (1) − ycalc
(x1 , x2 ,…, xNPAR ) = 0
⎪
2
⎪ ysper (2) − ycalc (x1 , x2 ,… , x NPAR ) = 0
⎨
⎪…
⎪ y ( NY ) − y NY ( x , x ,… , x
2
calc 1
NPAR ) = 0
⎩ sper
Il fatto che il sistema sia ipervincolato conduce all’impossibilità di
soddisfarlo perfettamente. È viceversa possibile minimizzare la somma
degli scarti quadratici delle varie equazioni risolvendo un problema di
minimizzazione tramite una regressione non lineare nei parametri: x.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
17
Funzione obiettivo della Riconciliazione
‰
Obiettivo della procedura di Riconciliazione è la minimizzazione della
NY
funzione: Min f = ∑
x
i =1
[y
calc
( x)
sper (i ) − yi
]
2
s 2 (i )
Introducendo la matrice di incidenza MI
1
⎡ ∂ycalc
è possibile controllare se un gdl NON
⎢
⎢ ∂x21
influenza alcuna misura (muovendosi
⎢ ∂ycalc
per colonne) o se una misura NON è
M I = ⎢ ∂x
influenzata da alcun gdl (muovendosi
⎢ 1
per righe). Se poi due colonne sono
⎢ …NY
⎢ ∂ycalc
linearmente dipendenti allora i due gdl
⎢⎣ ∂x1
corrispondenti sono altamente correlati
tra di loro.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
∂y1calc
∂x2
2
∂ycalc
∂x2
…
NY
∂ycalc
∂x2
…
…
…
…
1
⎤
∂ycalc
⎥
∂x NPAR ⎥
2
∂ycalc
⎥
∂x NPAR ⎥
⎥
… ⎥
NY
∂ycalc
⎥
∂x NPAR ⎥⎦
18
Risoluzione del problema di Riconciliazione
™
Affinché il problema di Riconciliazione sia risolubile occorre avere:
y
Ridondanza positiva
y
Gradi di libertà indipendenti
y
Un algoritmo numerico robusto soprattutto se si opera on-line
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
19
Risoluzione del problema di Riconciliazione
™
Le ipotesi di base su cui si lavora sono le seguenti:
1.
Il modello del processo è in grado di rappresentare
correttamente il sistema in esame (convalida del modello);
2.
Le misure sono soggette ad errore ε distribuito in maniera
normale con media nulla e varianza σ nota o calcolabile;
3.
Le misure provengono da un processo stazionario.
™
L’insuccesso della Riconciliazione (una volta verificata l’ipotesi 1) è dovuto
ai punti 2 e 3. Possono esistere delle misure affette da errore grossolano
che hanno valore atteso non nullo dell’errore ε :
+∞
+∞
⎛ ε2 ⎞
ε
E (ε ) = ∫ ε p ( ε ) d ε = ∫
exp ⎜ − 2 ⎟ d ε ≠ 0
2
−∞
−∞
2πσ
⎝ 2σ ⎠
™
Possibili cause di errore grossolano sono: strumenti di misura non
affidabili, disomogeneità attorno allo strumento, instabilità di processo,
incidenti, errori di trascrizione, interruzione di comunicazione, non
stazionarietà.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
20
Analisi statistica delle misure disponibili
‰
‰
‰
Per effettuare una Riconciliazione dati occorre partire da valori medi delle
misure acquisite in campo in un certo intervallo temporale rispetto al
quale il processo è mediamente stazionario.
A tal fine si parla di valore atteso della misura μ(i) e di varianza σ(i) della
stessa.
È possibile distinguere tra stimatori robusti e stimatori efficienti
‰
Stimatori ROBUSTI
‰
Per μ(i) si usa la Mediana: è il valore centrale della
popolazione ordinata in senso crescente. Nel caso di un numero
pari di termini si fa la media aritmetica dei due valori centrali
Per σ(i) si usa MAD (Median Absolute Deviation)
MAD(i) = 1.4826 * Mediana(|yexp(i,k)-Mediana(yexp(i,k)|)
Stimatori EFFICIENTI
NS
‰
Media aritmetica: ys (i ) = ∑ yexp (i, k ) NS
k =1
‰
Deviazione standard o scostamento quadratico medio:
‰
‰
s (i ) =
NS
∑
k =1
[y
exp
(i, k ) − y s (i )
]
2
NS − 1
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
21
Identificazione del modello
‰
Definiti NY = numero misure ed NPAR = numero di gradi di libertà
(parametri) da identificare sono dati i seguenti casi:
‰
NPAR > NY (Ridondanza NEGATIVA)
Il modello proposto y = ax2 + bx + c è costituito da tre parametri (NPAR=3)
mentre i punti sperimentali sono due. Si ha un’infinità di curve che
soddisfano esattamente i dati sperimentali. Non è possibile individuare
eventuali Gross Error.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
22
Identificazione del modello
‰
NPAR = NY (Ridondanza NULLA)
In questo caso esiste una sola curva passante per gli NY punti. Si noti che
il modello proposto essendo una retta è costituito da due parametri.
Quindi NPAR = 2 ed NY = 2. L’identificazione ha ancora errore nullo e
NON è possibile individuare eventuali Gross Error.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
23
Identificazione del modello
‰
NPAR < NY (Ridondanza POSITIVA)
Gross error
In questo caso il modello proposto è ancora una retta (NPAR = 2) mentre il
numero di punti sperimentali è sette: NY = 7. Evidentemente NON esiste un
modello che soddisfi contemporaneamente tutti i dati sperimentali. Si
cercherà quindi di minimizzare l’errore commesso cioè minimizzare la
distanza tra modello e dati acquisiti. In questo caso è possibile anche
individuare possibili gross error in numero massimo:
NGE = NY – NPAR = R = Ridondanza
Qualora si trovi un gross error è possibile o eliminarlo o compensarlo con il
valore appena riconciliato. In questo caso non si diminuisce la ridondanza.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
24
Riconciliazione dati – Case study
Impianto di termovalorizzazione con sezione DeNOx catalitico
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
25
Riconciliazione dati – Case study (continua)
‰
Esigenza di conoscenze specifiche
¾
Valutazione esatto valore delle misure rilevate in campo
¾
Individuazione eventuale misura affetta da gross error
¾
Conoscenza in tempo reale della caratteristica del rifiuto entrante in
termini di composizione elementare e potere calorifico
¾
¾
Stima di correnti entranti non misurabili o non disponibili:
•
Arie dalle tenute
•
Portata metano in postcombustione
Valutazione di parametri operativi e grandezze adattive quali:
•
Efficienze filtro a maniche
•
Efficienza catalizzatore
•
Fattore sporcamento scambiatori di calore
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
26
Riconciliazione dati – Case study (continua)
‰
Posizione del problema
Funzione obiettivo da minimizzare:
Misure da riconciliare: 24
T fumi postcombustione
T out fumi zona radiante
T out fumi preriscaldatore
Fumi uscita colonna lav.
T fumi camino
NOx ingresso DeNOx
HCl al camino
Polveri al camino
NY
Min f = ∑
x
CO out postcombustione
T out fumi surriscaldatore
T aria combustione
T out gas heater
T in fumi DeNOx
NOx uscita DeNOx
SO2 al camino
O2 al camino
[y
calc
( x)
sper (i ) − yi
i =1
]
2
s 2 (i )
O2 out postcombustione
T out fumi economizzatore
Fumi ingresso colonna lavaggio
Tout fumi scambiatore gas-gas
T out fumi DeNOx
Portata ammoniaca
CO al camino
Portata vapore prodotta
Gradi di libertà (parametri di riconciliazione): 23
Portata di rifiuto
Frazione S nel rifiuto
Portata aria tenute forno
Dispersioni caldaia
Fatt. corr. economiz.
Efficienza lavaggio acido
Fatt. corr. scamb. gas-gas
Efficienza catalizz. DeNOx
Frazione Ceneri nel rifiuto
Frazione Cl nel rifiuto
Frazione N nel rifiuto
Frazione C nel rifiuto
Frazione bypass fumi forno
Portata metano postcombustione
Fatt. corr. scamb. zona radiante Fatt. corr. scamb. Surriscaldatore
Fatt. corr. preriscaldatore
Efficienza filtro a maniche
Efficienza lavaggio basico
Fatt. corr. riscaldatore vapore
Portata aria preriscaldatore
Portata metano bruciatore DeNOx
Arie tenute dopo postcombustione
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
27
Riconciliazione dati – Case study (continua)
‰
Risoluzione del problema
•
Occorre disporre di una routine di regressioni non lineari in grado di
minimizzare la funzione obiettivo precedentemente posta.
• Occorre disporre di un modello dettagliato del processo in grado di
simulare le misure (cioè calcolare i valori riconciliati delle misure acquisite)
ogniqualvolta la routine di regressione propone un nuovo vettore di gradi di
libertà.
• Se la procedura di riconciliazione NON riesce a minimizzare la funzione
obiettivo, raggiungendo la precisione desiderata, significa che i bilanci
materiali, energetici e di quantità di moto descriventi il processo “non
chiudono”. Si può in questo caso ipotizzare la presenza di un errore grossolano
eliminando la misura rispetto alla quale esiste maggiore scostamento o meglio
sostituendone il valore misurato con quello appena stimato. La procedura
continua fintantoché non si raggiunge la precisione desiderata. Se la misura
ipotizzata di errore grossolano e sostituita NON porta la procedura a successo
la si reintegra e si elimina quella successiva maggiormente “incriminata”. Dato
che nel caso d’esempio la ridondanza è unitaria sarà possibile individuare un
solo gross error.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
28
Riconciliazione dati – Case study (continua)
‰
I risultati…
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
29
Riconciliazione dati – Case study (continua)
‰
I risultati…
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
30
Riconciliazione dati – Case study (continua)
‰
I risultati…
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
31
Riconciliazione ed Ottimizzazione
Ottimizzazione
Modello
Riconciliazione
Processo
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
32
Riconciliazione ed Ottimizzazione
Reliable process data are the key to the efficient operation of chemical plants.
… it must be noted that errors in process data or inaccurate and unreliable
methods of resolving these errors, can easily exceed or mask actual changes in
process performance.
Romagnoli and Sanchez, 2000
‰
La non corretta conoscenza delle condizioni operative del processo
analizzato conduce ad un’errata rappresentazione e stima dei
margini di miglioramento dello stesso.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
33
Riconciliazione ed Ottimizzazione
‰
Si pensi ad una Ferrari che corra in rettilineo a 320 km/h:
y
se l’incertezza nel cronometraggio sul giro è di 1 millesimo di
secondo allora si ha un’incertezza spaziale di 9 cm;
y
se l’incertezza sul giro è di 1 secondo allora si ha un’incertezza
spaziale di 90 m.
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
34
Riconciliazione ed Ottimizzazione
2006 Monaco Grand Prix
#
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Nome
Michael
Kimi
Fernando
Mark
Giancarlo
Juan Pablo
Felipe
Jarno
Nico
Jenson
Nick
Rubens
Tiago
Scott
Ralf
Christijan
Vitantonio
Jacques
David
Christian
Takuma
Franck
Cognome
Schumacher
Räikkönen
Alonso
Webber
Fisichella
Montoya
Massa
Trulli
Rosberg
Button
Heidfeld
Barrichello
Monteiro
Speed
Schumacher
Albers
Liuzzi
Villeneuve
Coulthard
Klien
Sato
Montagny
Migliori tempi sul giro
Team
Tempo
Velocità media [km/h] differenza %
Ferrari
01:15.1
160.014
McLaren-Mercedes
01:15.3
159.628
0.241229
Renault
01:15.7
158.898
0.697439
Williams-Cosworth
01:15.7
158.879
0.709313
Renault
01:15.9
158.379
1.021786
McLaren-Mercedes
01:16.0
158.193
1.138025
Ferrari
01:16.6
156.946
1.917332
Toyota
01:17.2
155.791
2.639144
Williams-Cosworth
01:17.2
155.696
2.698514
Honda
01:17.3
155.549
2.790381
Sauber-BMW
01:17.3
155.511
2.814129
Honda
01:17.3
155.509
2.815379
MF1-Toyota
01:17.3
155.491
2.826628
STR-Cosworth
01:17.5
155.186
3.017236
Toyota
01:17.5
155.068
3.090980
MF1-Toyota
01:17.6
154.942
3.169723
STR-Cosworth
01:17.7
154.828
3.240966
Sauber-BMW
01:17.8
154.615
3.374080
Red Bull Racing
01:17.8
154.452
3.475946
Red Bull Racing
01:17.9
154.292
3.575937
Super Aguri-Honda
01:18.8
152.602
4.632095
Super Aguri-Honda
01:19.1
152.002
5.007062
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
5%
35
Bibliografia
•
Biegler L.T., J.J. Damiano, G.E. Blau, “Non linear parameter estimation: a Case-study comparison”,
AIChE J., 32, 29-43, (1986)
•
Crowe C.M., “Reconciliation of process flow rates by matrix projection. Part II: the non linear case”,
AIChE J., 44, 2909-2917, (1986)
•
Crowe C.M., “Data reconciliation – Progress and challenges”, J. Proc. Control, 6, 89-98, (1996)
•
Kretsovalis A., R.S.H. Mah, “Observability and redundancy classification in generalized process
networks. I: Theorems”, Comput. Chem. Eng., 12, 671-687, (1988a)
•
Kretsovalis A., R.S.H. Mah, “Observability and redundancy classification in generalized process
networks. II: Algorithms”, Comput. Chem. Eng., 12, 689-703, (1988b)
•
Mah R.S.H., “Chemical process structures and Information flows”, Chem. Eng. Ser. Butterworth,
Boston, (1990)
•
Mah R.S.H., G. Stanley, D. Downing, “Reconciliation and rectification of process flows and inventory
data”, Ind. Eng. Chem. Process Des. Dev., 15, 175-183, (1976)
•
Manca D., M. Rovaglio, S. Pierucci, T. Faravelli, “Reconciliation, Optimization and Supervisory
Control of Crude Oil Distillation Systems”, The First Conference on Chemical and Process
Engineering, Firenze, 255-259, (1993)
•
Manca D., M. Rovaglio, “Numerical Modeling of a Discontinuous Incineration Process With On Line
Validation”, Ind. Eng. Chem. Res., 44, 3159-3177, (2005)
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
36
Bibliografia
•
Narasimhan S., C. Jordache, “Data Reconciliation and Gross Error Detection : An
Intelligent Use of Process Data”, Gulf Professional Publishing, Houston, (2000)
•
Rovaglio M., D. Manca, M. Mariano, G. Nini, R. Gani, “Data Reconciliation and Process Optimization
for Hazardous Waste Incineration Plants”, Proceedings of "PSE: Process Systems Engineering", pp.
613-621, ISBN 89 950005-1-1, Kyongju Korea, (1994)
•
Rovaglio M., D. Manca, “Reconciliation and Model Identification as a First Step for On Line
Optimization of Incineration Processes”, Proceedings of International Conference on Incineration &
Thermal Treatment Technologies, IT3, S. Francisco, USA, pp. 587 596, (1997)
•
Romagnoli J.A., M.C. Sanchez, Data Processing and Reconciliation for Chemical Process
Operations, Academic press, New York, 2000
•
Stanley G., R.S.H. Mah, “Observability and redundancy in process data estimation”, Chem. Eng.
Sci., 36, 259-272, (1981a)
•
Stanley G., R.S.H. Mah, “Observability and redundancy classification in process networks –
Theorems and algorithms”, Chem. Eng. Sci., 36, 1941-1954, (1981b)
•
Tjoa I. B., L.T. Biegler, “Simultaneous strategies for data reconciliation and gross error detection of
nonlinear systems”, Comp. and Chem. Engineering, 15, 679–690, (1991)
•
Vaclavek V., “Studies on system engineering. III. Optimal choice of the balance measurement in
complicated chemical engineering systems”, Chem. Eng. Sci., 24, 947-955, (1969)
© Davide Manca – Progettazione di Processo e Analisi dei Costi – Politecnico di Milano
37